Original title: Electroencephalogram (EEG) and machine learning-based classification of various stages of mental stress
Translated title: Electroencephalogram (EEG) and machine learning-based classification of various stages of mental stress
Authors: Lapčíková, Tereza ; Malik, Aamir Saeed (referee) ; Zaheer, Muhammad Asad (advisor)
Document type: Bachelor's theses
Year: 2024
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Tato závěrečná práce se věnuje rozpoznávání a klasifikaci různých úrovní psychické zátěže z elektroencefalogramu (EEG). V rámci této práce bylo vytvořeno několik modelů SVM a LSTM, které klasifikují EEG data do tří tříd odpovídajících mentální zátěži – nízká mentální zátěže, střední mentální zátěž a vysoká mentální zátěž. Proces vedoucí k tvorbě těchto modelů se skládal z kroků jako je úprava vstupního signálu, extrakce jeho vlastností a implementace modelu pro samotnou klasifikaci. Toto řešení taktéž obsahuje augmentaci dat. Nejvyšší dosažená přesnost klasifikace byla 90 %, a to s modelem SVM. Nejlepší LSTM model obsahoval tři vrstvy LSTM a přesnost jeho výsledné klasifikace byla 70 %. This thesis deals with the recognition of various stress stages experienced by patients from electroencephalogram (EEG). Various Support Vector Machine (SVM) and Long Short-Term Memory (LSTM) models classifying EEG into three classes – not stressed, moderate stressed, and very stressed were created. The process of implementing such a classifier consisted of data preparation, extraction, and finally, classification. This solution also implements augmentation of data. The highest accuracy achieved in this thesis was of 90 % using the SVM model. The best LSTM model was a three-layer LSTM and achieved classification accuracy of 70 %.
Keywords: EEG; fáze stresu; hluboké učení; mentální stres; Strojové učení; Deep Learning; EEG; Machine Learning; Mental Stress; Stages of Stress

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: https://hdl.handle.net/11012/246896

Permalink: http://www.nusl.cz/ntk/nusl-618153


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses